可靠的虚拟传感：面向传感器故障下鲁棒性的多领域基准

虚拟传感是指根据可用的传感器测量值估计难以测量的量，对于信息物理系统中的控制与监测至关重要。然而，当传感器发生故障时，基于学习的预测器可能生成不符合物理规律的估计结果，并进一步导致系统级故障。我们认为，现实世界的部署要求具备鲁棒性，因此提出 MuViS-C，这是首个针对基于学习的虚拟传感应对常见传感器故障鲁棒性的多领域基准。该基准建立在现有名义性能基准和成熟的扰动分类体系之上，涵盖十种传感器故障模式，范围从细微漂移到灾难性的信号丢失，并设置了多个严重程度等级。我们还配套设计了互补的鲁棒性指标，用于衡量扰动下的平均误差、相对性能下降程度以及最坏情况下的脆弱性。我们在来自六个领域的九个数据集上，对六种架构进行了基准测试，涵盖梯度提升树，以及序列建模中的主要归纳偏置：卷积、递归、注意力和 MLP-mixing。在基于注意力的架构上，我们进一步探究了三种鲁棒化策略。结果表明：（i）所有模型在受到扰动时都会显著退化，并且在至少一种扰动设置下，其表现会差于朴素预测器；（ii）梯度提升树集成表现出较强的鲁棒性；（iii）专门的鲁棒化策略能够弥合基于注意力的架构与最鲁棒模型之间的差距，但每种策略都会损害名义性能。该基准的多领域设计证明至关重要，因为模型排名会因数据集而变化，单一领域无法完整反映鲁棒性。MuViS-C 已开源，并可扩展至新的数据集、故障模式、指标和模型。